【正文】 40重慶大學(xué)本科學(xué)生畢業(yè)設(shè)計(jì)（論文） 參考文獻(xiàn)參考文獻(xiàn)[1] [D].吉林大學(xué)碩士學(xué)位論文,2005.[2] Vincent L,Soille P. Watersheds in digital spaces:An efficient algorithm based on immersion simulations[J]. Trans. Pattern analysis and Machine Intelligence, 1991,13(6): 583598.[3] [M].[4] Serra, To Mathematical Morphology (35):283305.[5] Goutsias J, Sivakumar K. Morphological Operators for Image Sequences[J]. Computer Vision Image Understanding, 1995, 62(3): 326346.[6] 尹星云,[J]. 計(jì)算機(jī)工程,2008,34(17).271273. [7] [M].,4. [8] Horowitz S L. Picture Segmentation by a Directed SplitandMerge Procedure. Proceedings of Second International Joint Conference on Pattern Recognition,1974,8:424423.[9] Zuker S W. Region Growing:Childhood and Adolescene. CGIP,1976,5: 382399.[10] 方忠民,[J]. 長(zhǎng)沙大學(xué)學(xué)報(bào),2008，22（5）：9497.[11] 趙志峰,[J].華東船舶工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版),2003,17(3):4348. [12] 聶斌,[J].泰山醫(yī)學(xué)院學(xué)報(bào),2002 ,23(4):422426.[13] ,Survey Pattern Recognition on Evaluation Methods for Image Segmentation [J].1996, 29(8): 13351346.[14]王愛民,[J].測(cè)控技術(shù),2000,19(5): 116.[15] Jayaram,et al. Fuzzy Connectedness and Object Defination[J]. Theory,Algorithms,and Applications in Image Segmentation. Graphical Models and Image Processing, 1996,58(3):246251.[16] 袁小平,孫中全,[J]. 能源技術(shù)與管理,2008(1),8586,102.[17] 陸宗騏, C++.NET圖像處理編程[M]..[18] [19] 王芳,[J].內(nèi)蒙古師范大學(xué)學(xué)報(bào)(自然科學(xué)漢文版) ,2008 ,37（3）：389391.[20] 戴青云,[J].控制理論與應(yīng)用,2001,18 (4):478482.[21] Bosworth J, Acton A T. The Morphological Lomo Filter for Multiscale Image Processing[C]. IEEE International Conference on Image Processing. Kobe,Japan ,1999.[22] 潘梅森,[J].微計(jì)算機(jī)信息,2006,22(10):309 311.[23] Mary and Edward . Morphological Operators for Color Image Processing[J].Journal of Electronic Image, 1999，8(3):279289.[24] [D].山東大學(xué)碩士學(xué)位論文,2005.[25] [M]..[26] [D]. 揚(yáng)州大學(xué)碩士學(xué)位論文,2005.[27] J. Gauch, ChiWan Hsia. A Comparison of Three Color Image Segmentation Algorithm in Four Color Spaces. SPIE. Vol. 1818. Visual Communications and Image Processing,.[28] 歐珊瑚,王倩麗, C++.NET數(shù)字圖像處理技術(shù)與應(yīng)用[M]..[29] 高育鵬,黃樹采,[J]. 彈箭與制導(dǎo)學(xué)報(bào),2008（3）,296298.[30] James, Lee,J. Morphological Edge Detection. IEEE Journal of Robotics and Automation, 1987,RA3 (2):142156.[31] Zhao Yuqian, Images Edge Detection Based on Mathematical Morphology[C].Engineering in Medicine and Biology 27th Annual ：46924695.[32] 胡小鋒, C十十/MATLAB圖像處理與識(shí)別實(shí)用案例精選[M].人民郵電出版社,.[33] Serra J. Image analysis and mathematical morphology [M].London: Acadamic Press,l982.[34] S. Beucher. Use of watersheds in contour detection[M]. 1979.[35] P. Soille, L. Vincent. Determining Watersheds in Digital Pictures via Flooding Simulations[J]. Visual Communications and Image Processing 90. Oct. 1990, 1360:240–250.[36] , P. Soille. Watersheds in Digital Spaces: an Efficient Algorithm Based on Immersion Simulations [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence. June. 1991, 13(6):583–598.[37] L. Vincent, P. Soille. Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion Simulations [J]. IEEE Transactions on Pattern Analysis and Machine Inteligence, 1991,13 : 583598.[38] 趙濤，[J].科技信息（科學(xué)教研）. 2008(15),5051. [39] [40] [41] 付永慶,[J].哈爾濱工程大學(xué)學(xué)報(bào),2005,26（5）：685687.[42] 楊平先,[J].,32（6）：5659. 。然而，隨之也會(huì)帶來(lái)一個(gè)問(wèn)題：由于閾值的選取只考慮梯度的幅度值，不適合的閾值很可能會(huì)破壞重要物體的輪廓?？煽紤]采用基于多尺度和全方位的形態(tài)學(xué)的濾波器在邊緣檢測(cè)前進(jìn)行預(yù)濾波，這樣可以在保持邊緣輪廓不變的情況下，減輕或去除噪聲對(duì)邊緣檢測(cè)的影響。 相比傳統(tǒng)的邊緣檢測(cè)如LOG, Canny算子等，形態(tài)學(xué)邊緣檢測(cè)能較有效地保持邊緣的完整性，但作為梯度運(yùn)算，通常只對(duì)梯度值大小作簡(jiǎn)單的閾值處理來(lái)完成邊緣檢測(cè)，噪聲的存在將使檢測(cè)結(jié)果產(chǎn)生假邊緣和邊緣位置偏移。這是研究過(guò)程中的一個(gè)不足，有待改進(jìn)。形態(tài)學(xué)濾波法的優(yōu)良特性能否充分發(fā)揮，取決于形態(tài)學(xué)運(yùn)算組合及結(jié)構(gòu)元素的選擇是否恰當(dāng)。不管是腐蝕還是膨脹變換，當(dāng)選用的結(jié)構(gòu)元素較大時(shí)，往往會(huì)造成把有用信息也給濾除，如果選用的結(jié)構(gòu)元素較小，噪聲信號(hào)又不能很好的去處。 本文采用形態(tài)學(xué)中經(jīng)典的分水嶺算法來(lái)對(duì)卟啉陣列圖像進(jìn)行分割，由于圖像中干擾噪聲以及細(xì)小邊緣的存在，會(huì)帶來(lái)嚴(yán)重的過(guò)分割現(xiàn)象，我們采取了濾波的預(yù)處理方法以及過(guò)分割后進(jìn)行區(qū)域合并的方法改進(jìn)分水嶺算法來(lái)修正標(biāo)準(zhǔn)分水嶺分割所產(chǎn)生的過(guò)分割問(wèn)題。 介紹了外邊界、內(nèi)邊界等經(jīng)典形態(tài)學(xué)梯度算子，以及BM方法（一種能較強(qiáng)抑制噪聲的形態(tài)邊緣提取算子），針對(duì)本文選用的卟啉陣列的圖像，研究了一種改進(jìn)的形態(tài)學(xué)梯度算子（BM方法）來(lái)進(jìn)行邊緣檢測(cè)，取得不錯(cuò)的檢測(cè)效果。 (a)腐蝕 (b)膨脹 (c)開運(yùn)算 (d) 閉運(yùn)算 (e)形態(tài)學(xué)梯度算子 (f) 改進(jìn)BM方法 (g) LENA原圖 (h) 分水嶺分割算法 LENA圖像的形態(tài)學(xué)處理34重慶大學(xué)本科學(xué)生畢業(yè)設(shè)計(jì)（論文） 5 總結(jié)與展望5 總結(jié)與展望 總結(jié)通過(guò)本文的實(shí)驗(yàn)與分析，下面對(duì)文章的主要內(nèi)容作一下總結(jié)：系統(tǒng)的研究了數(shù)學(xué)形態(tài)學(xué)理論，二值形態(tài)學(xué)的基本運(yùn)算以及各種變換相互之間的關(guān)系，并簡(jiǎn)略討論了二值形態(tài)學(xué)各種變換的特點(diǎn)。圖(e)和圖(f)都是進(jìn)行的形態(tài)學(xué)邊緣檢測(cè)，圖(e)是基本的形態(tài)學(xué)梯度算子，即內(nèi)外邊界，而圖(f)是基于BM方法的改進(jìn)的邊緣檢測(cè)算法，在LENA圖像中，相對(duì)于基本的邊緣檢測(cè)算子，改進(jìn)的BM方法效果就不那么好了，細(xì)節(jié)部分，比如嘴部以及毛發(fā)附近，檢測(cè)的線條不圓滑，部分地方不連續(xù)，可見，自己提出的改進(jìn)方法并不適合于LENA圖像，僅僅是能較好地將卟啉陣列的圖像邊緣檢測(cè)出。圖(a)、(b)、(c)、(d)顯示的是形態(tài)學(xué)濾波對(duì)其的處理效果。這一節(jié)用形態(tài)學(xué)的濾波、邊緣檢測(cè)以及分水嶺分割算法對(duì)LENA圖像進(jìn)行圖像處理。采用這張圖像的原因，除了因?yàn)樗苜p心悅目外，就“測(cè)試標(biāo)準(zhǔn)”來(lái)說(shuō)，它的鑒別度也相當(dāng)?shù)母?。圖(d)的分水嶺方法分割的效果相對(duì)來(lái)說(shuō)較好，能顯示出所檢測(cè)的卟啉點(diǎn)的灰度變化，但還是有一個(gè)卟啉點(diǎn)漏檢。圖(a)四幅圖像顯示的是區(qū)域生長(zhǎng)的分割方法，由于非優(yōu)化參數(shù)的設(shè)置，區(qū)域生長(zhǎng)經(jīng)常會(huì)導(dǎo)致欠生長(zhǎng)或過(guò)生長(zhǎng)，本文選用的卟啉陣列圖像是不能用區(qū)域生長(zhǎng)方法的，因此我們選用人腦部CT圖像，我們選取了兩個(gè)不同的種子點(diǎn)，分割出來(lái)的圖片效果是不同的，都出現(xiàn)了欠生長(zhǎng)的情況，不過(guò)在種子點(diǎn)選取合適的情況下，對(duì)于提取特定區(qū)域卻是很有利的。這些方法都是以圖像的直方圖為研究對(duì)象來(lái)確定分割的閾值的[40]。經(jīng)典的閾值選取以灰度直方圖為處理對(duì)象。在閾值分割后，相鄰子圖像之間的邊界處可能產(chǎn)生灰度級(jí)的不連續(xù)性，因此需用平滑技術(shù)進(jìn)行排除。 ③ 閾值分割閾值分割法分為全局閾值法和局部閾值分割法。模糊聚類是將將模糊數(shù)學(xué)理論應(yīng)用于聚類分析的一種分割算法。它是一個(gè)迭代的過(guò)程，這里每個(gè)種子像素點(diǎn)都迭代生長(zhǎng)，直到處理過(guò)每個(gè)像素，因此形成了不同的區(qū)域，這些區(qū)域它們的邊界通過(guò)閉合的多邊形定義[39]。① 區(qū)域生長(zhǎng)區(qū)域生長(zhǎng)（region growing）是指將成組的像素或區(qū)域發(fā)展成更大區(qū)域的過(guò)程。因此，如何選取適當(dāng)?shù)拈撝凳且豁?xiàng)非常艱難的任務(wù)，在實(shí)際應(yīng)用中也存在著使用的局限性。 進(jìn)一步研究與展望由前面的敘述可以看出，改進(jìn)的分水嶺算法其實(shí)就是對(duì)過(guò)分割的區(qū)域進(jìn)行了一定程度的合并，我們可以設(shè)想，在一開始我們?nèi)√荻戎档臅r(shí)候，對(duì)輸入圖像的梯度取閾值，閾值化后很多由噪聲和量化誤差造成的梯度上的低谷和山峰將被平滑為平坦的區(qū)域，從而減少分水嶺變化后區(qū)域的個(gè)數(shù)。原始圖像原始分水嶺算法分割： (a) 原圖 (b) 傳統(tǒng)分水嶺先將原始圖像進(jìn)行濾波后進(jìn)行原始分水嶺算法分割： (c) 濾波后圖像 (d) 濾波后圖像分水嶺 圖 濾波前后的分水嶺算法 (a)原始圖像 (b) 經(jīng)區(qū)域生長(zhǎng)后分水嶺 (c) 濾波后圖像 (d) 濾波后圖像區(qū)域合并后分水嶺 (e) 原圖2 (f) 原圖2的修正分水嶺 區(qū)域合并后分水嶺 (b)顯示的是未經(jīng)濾波直接將原圖進(jìn)行區(qū)域合并后的分水嶺效果圖，(d)顯示的是濾波后將原圖進(jìn)行區(qū)域合并后的分水嶺效果圖，兩圖相比，可以很明顯的看出：(d)分割出的圖像邊緣不光滑，毛刺較多，沒(méi)有很準(zhǔn)確地將原圖像分割，并且還有兩個(gè)卟啉點(diǎn)沒(méi)有被檢測(cè)出，(d)分割出的圖像